Modélisation multidimensionnelle vidéo dans le sport le cas Vert et Or Football
Notice bibliographique
Résumé
La présente recherche a pour but d'étudier l'intégration de la vidéo dans l'entrepôt de données. Afin de nous accrocher à une problématique tangible, nous avons collaboré avec l'équipe de football du Vert et Or de l'Université de Sherbrooke. Selon Martin Montminy, entraîneur de la ligne offensive, la vidéo est la donnée la plus importante dans le processus d'évaluation de la performance des joueurs. Dans le but d'améliorer ce processus, nous avons construit un modèle de données qui allie les données de jeu à de la vidéo. Dans le but de mieux comprendre les différents enjeux liés à notre recherche, nous avons effectué une revue de littérature qui fait l'état des connaissances dans le domaine de la modélisation d'entrepôt de données et du multimédia. Nous avons basé notre recherche dans le paradigme du « design science ». Afin de construire notre prototype, nous avons utilisé une méthodologie de développement d'entrepôt de données hybride basée sur l'approche guidée par les besoins et l'approche guidée [par] les données. Les résultats de l'étude montrent les différentes étapes réalisées afin d'en arriver à un modèle de données intégrant les données de jeux à la vidéo. On y retrouve les choix de modélisation ainsi que les différents enjeux par rapport aux données. Cette recherche contribue à l'avancement des connaissances dans le domaine de la modélisation multidimensionnelle multimédia en proposant l'utilisation de la vidéo pour appuyer les données factuelles alphanumériques.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».